Vergabekarte
VergabeEU-weitDienstleistungenveröffentlicht

QuTeNet Tensornetzwerke

Lage: Köln (kreisfreie Stadt), Nordrhein-Westfalen
Auftragswert
1 € (Platzhalter, kein Auftragswert)
Wert des Zuschlags laut Bekanntmachung
Angebote
5
eingegangen
Zuschlag / Vertragsschluss
Mi., 18.06.2025
bekannt gemacht 25.12.2025

Ergebnis

Zuschläge nach Losen
AuftragnehmerAngeboteAuftragswertZuschlag
BearingPoint GmbHGroßunternehmen51 € (Platzhalter, kein Auftragswert)18.06.2025Vertragsschluss

Beschreibung

Das Projekt „Quantum Tensor Networks for Quantum Simulations and Artificial Intelligence - Tensornetzwerke“ (QuTeNet Tensornetzwerke) ist eines der Projekte aus der DLR Quantencomputing-Initiative und wird geleitet vom DLR-Institut für KI-Sicherheit in Zusammenarbeit mit den DLR-Instituten für Quantentechnologien und Softwaretechnologie. Im Projekt QuTeNet untersucht das DLR eine spezifische Architektur von Quantenalgorithmen, basierend auf Tensornetzwerken, einer effizienten Darstellung von Quantenzuständen die auch als KI-Struktur Verwendung findet. Dabei werden komplexe Quantenzustände von Mehrteilchensystemen als Netz kleinerer Tensoren dargestellt, die einzeln lokal berechnet und optimiert werden können. Die gemeinsame Grundstruktur ermöglicht den nahtlosen Übergang zwischen Quantensimulation und Quanten-KI und sogar die Übertragung des Problems auf klassische Hardware als Referenz. Damit lassen sich Unterschiede und Gemeinsamkeiten zwischen dem klassischen und dem Quantenansatz aufzeigen und deren Anwendungsmöglichkeiten abgrenzen.
Neben prinzipiellen Einschätzungen zu lohnenswerten Einsatzgebieten von Tensornetzwerken auf Quantencomputern für Anwendungsprobleme werden im QuTeNet Tensornetzwerke Bewertungsansätze hinsichtlich grundsätzlicher Eignung und numerischer Performance der jeweiligen Methoden und der Umsetzungen für Simulationen von Quantencomputern entwickelt, die über das Projekt hinaus für Tensornetzwerkanwendungen einsetzbar sind. Dafür entwickelt das DLR Tensornetzwerkmethoden auf klassischen Rechnern weiter und überträgt Tensornetze auf Quantencomputer, um Quantensimulationen und KI zu realisieren. Anschließend wird anhand eines Use Cases untersucht, ob sich Quantensimulationen und deren Analyse mit quantenmaschinellem Lernen direkt koppeln lassen und es werden weitergehende Anwendungsperspektiven von Quantentensornetzwerken evaluiert.
Im Rahmen der vorliegenden Ausschreibung wird ein Industriepartner(Auftragnehmer) gesucht, der an der Implementierung von Tensornetzwerk-basierten Methoden für Anwendungen im Quantencomputing, im Speziellen für die Umsetzung von Quantenoptimierung, sowie der Umsetzung eines anwendungsrelevanten Use Cases arbeitet. Die ausgeschriebenen Leistungen umfassen die Mitarbeit am Projekt sowie die Erbringung eines Technologietransfers. Einzelheiten sind der den Vergabeunterlagen beigefügten Leistungsbeschreibung zu entnehmen.

Eckdaten

Vergabestelle
Deutsches Zentrum für Luft- und Raumfahrt e.V. (DLR)
Linder Höhe, 51147 Köln
Art des Auftraggebers
ZuwendungsempfängerSonstiger Auftraggeber
Erfüllungsort
Köln – Ort im Europäischen WirtschaftsraumNUTS DEA23
Verfahrensart
Wettbewerblicher Dialog
Auftragsart
Dienstleistungen
Vergaberegime
EU-weite Vergabe (oberhalb der EU-Schwellenwerte)
Rechtsgrundlage
Richtlinie 2014/24/EU (öffentliche Auftragsvergabe)VgV
Art der Bekanntmachung
Bekanntmachung vergebener Aufträge oder Zuschlagsbekanntmachung – Standardregelung
Geschätzter Wert
nicht veröffentlicht
Für KMU geeignet
nicht angegeben
Geschäftszeichen
2024/GV 7955155
Veröffentlicht
abgesendet Di., 23.12.2025, 12:54 Uhr MEZ
Bekanntmachung
6c175fc2-e82c-4f70-8e96-0887fe890ad7Version 1
Verfahrens-ID
f0790237-6354-47be-8889-3dd6229fbef0
Nachprüfungsstelle
Vergabekammern des Bundes, Bonn · Websitezuständig für Rügen und Nachprüfungsanträge
Datenformat
eForms-Bekanntmachungeforms-de-2.1
Geschäftszeichen des Loses
2024 / GV 7955155

Kategorien (CPV)

Verlauf des Verfahrens

  1. Ausschreibungansehen
  2. Vergabediese Seite

Quelle Bekanntmachungsservice (oeffentlichevergabe.de) (CC0) · Bekanntmachung 6c175fc2-e82c-4f70-8e96-0887fe890ad7, Version 1 · bei uns aktualisiert · Stand